【正一专栏】《使徒行者2》——难得追完的剧

《使徒行者2》——难得追完的剧

2017-10-25 九天 九天时空

追了几天终于把使徒行者2看完了,不记得看使徒行者是啥时候,这些年香港的警匪剧,我唯一跟的也就是使徒行者系列。平常大陆的电视剧基本都是断断续续的看,然后慢慢不看,但是这么多年对于TVB还是一直是很喜欢,从溏心风暴到爱回家,再到使徒行者,都印象深刻。


使徒行者2是使徒行者的前传,但是除了卓sir和欢喜哥两个角色外,基本其他人都是新加进来的,但是整个线条还是比较清晰,围绕着黑警展开。印象最为深刻的是每一集开头都有一句富有哲理的名言,可惜基本都是外国人说的,看完就记不住。如果说使徒行者是靠着林峰和佘诗曼两人撑起来的话,那么使徒行者2则是全面开花了。TVB的老戏骨如饰演卓sir的苗侨伟、饰演欢喜哥的许绍雄,饰演黑帮老大魏德信的陈豪,还有曾经的TVB花旦宣宣饰演的施小姐。无论是使徒行者还是使徒行者2,卓sir还是那个玉树临风、充满正义感重情重义、聪明机智又有原则的联络官,到使徒行者2因为没有了林峰和佘诗曼、最最主角就是卓sir,苗侨伟的演技是没得说。欢喜哥更是没得说,一副哭笑不得的表情,活生生演绎着自己不正不邪、亦正亦邪的矛盾角色,背负着杀妻之仇的欢喜哥一心一意只想报仇,最后终于如愿。新加入的魏德信和施小姐,有点让人不明白,他们之间的信任建立得太快,来去几杯红酒之间就成了人生知己、亲密恋人。陈豪饰演的魏德信颠覆了传统黑帮老大的形象,完全就是一个智者绅士、到处充满着艺术感,但是杀起人来一点也不手软。宣萱饰演的施小姐有人说演得很好,但是对于她这个角色,看完才觉得是可有可无的,只是为增加些莫名其妙的感情戏而已。

至于新加入的几位乐少和天堂哥还有阿梅,三人之间的感情纠葛在生死友情面前显得是那么微不足道,同样都是卧底,同样都有那份正义感,同样都是对卓sir从质疑到信任,三个人的轨迹不同,但是最后的目标都是一致的。一直不明白为何乐少总是那么不苟言笑,即使真爱着阿梅也是很内敛,直到最后要拼死一搏的时候才陪了阿梅完整的一天,那种生死别离的义无反顾还是让人很是感动。最后天堂哥不得不亲手杀死乐少、那种惨烈和悲情很让人感动,卧底为了最终完成任务不得不牺牲自己,甚至做一些自己根本不想做的事情,经历着身理和心理的双重煎熬,看起来是一种个人英雄主义,其实在最后打掉了警队的大黑警之后,这无疑像是一种集体英雄主义。不管社会如何变化,正义最终都是要战胜邪恶,这也是警匪刑侦片必须坚守的原则。


说实话乐少、天堂哥、阿梅演得都很不错,帅气而又酷酷的乐少肯定在电视剧大热之后吸引了不少女粉丝,天堂哥虽然不再年轻,但是他的嬉皮笑脸和最后失去好兄弟的泣不成声着实让人不得不欣赏他高超的演技。至于阿梅,全剧只有一个靓女的她,表现也是相当不错,演技也是得到进一步提升。而其他的配角印象就不怎么深刻了,都算是中规中矩吧。

使徒行者2和使徒行者最大的不同就是没用感情戏作为主线,一切都是以剧情服务,没有多余的镜头,讲好每一个故事。所以本剧中感情戏的弱化让人有些不伦不类,比如乐少、天堂哥、阿梅的三角恋,还没有开始进入火候就要分道扬镳,乐少的突然变化让人有些措手不及,阿梅是怎样都改变不了乐少,因为仇恨比爱情更占据着一个人的心灵,所以感情终究是失败的。虽然最后彩蛋乐少还没有死,即使还有第三部乐少和阿梅也很难真正走到一起,乐少已经走上了不归路不可回头,相忘于江湖是最好的选择。而魏德信和施小姐的感情则显得含蓄和高雅,但因为两人的身份和心态不同,都不会为感情而放弃自己的事业,好不容易最后施小姐放弃但是魏德信又死去,两人注定是不能在一起的。本剧最突兀的设置就是魏德信这个角色,从第1集到29集一直都是装13的角色,没有事情是他搞不定的,没有事情是他做不好的,即使到大结局的时候,他都可以一个人搞定十几个拿枪的对手,却最后死在了对他看起来威胁很大可实际上没威胁的欢喜哥手中,也可以说卓sir也是英勇无敌和魏德信不相上下,是他打了魏德信的手而帮了欢喜哥让欢喜哥有机会一枪打死魏德信。不管怎样即使知道结局是这样的,但是也不用这样突兀让魏德信去死,前面没必要把他表现得那么厉害,正所谓一路开挂最后莫名其妙的挂了。


使徒行者2是TVB和腾讯影视合拍的,也就是内地和香港合作的结晶,所以很少在TVB电视剧中看到的广告不时在剧中出现,珠海长隆乐园成了最大的赢家,要度假就去长隆,施小姐没这样说,但是她就是这样做的,要陪女朋友散心也一定要去珠海长隆,烟花绽放的那一刻的美好就是乐少和阿梅的离别。腾讯也不要给自己的品牌推销,企鹅餐厅的企鹅很是可爱,还有卓sir说的话:企鹅黑白分明,腰板挺直,永远向前走,走路不会走歪。


虽然使徒行者2还是有不少瑕疵,但是对比内地很多电视剧还是好很多,值得一看,最起码让人舍得去追,看完没觉得后悔。



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值